CamShift算法.docx

Camshift 算法 引言大多数特征跟踪算法的执行都遵循下图所示的目标预测特征检测模板匹配更新四个步骤的闭环结构。首先，以前一帧目标位置和一些运动模型为基础，预测当前帧中目标的可能位置。接着，候选区域的特征和初始特征相匹配，通过优化匹配准则来选择最好的匹配对象，其相应的目标区域即为目标在本帧的位置。算法设计的不同常常由于选择什么特征、预测如何进行、如何选择匹配准则等的不同而不同。许多对目标跟踪算法的完善也是从这三个方面寻找改善措施的。除了位置更新步骤，其余三个步骤一般在一个迭代中完成。目标预测步骤主要基于目标的运动模型，运动模型可以是很简单的等速平移运动，也可以是很复杂的曲线运动。特征检测步骤是在目标区域通过相应的图像处理技术获得特征值，组合成待匹配模板。模板匹配步骤是选择最匹配的待匹配模板，它的所在区域即是目标在当前帧的位置区域。一般以对目标表象的变化所作的一些合理的假设为基础，个常用的方法是候选特征与初始特征的互相关系数最小。三个步骤不断往复。更新步骤常常有两种，一是指对初始模板(特征)的更新，这是因为在目标的运动中，它的姿态、环境的照度等会发生变化，因此模板更新有利于跟踪的继续进行；二是指位置的更新，当在当前帧中找到与目标模板最匹配的模板后，常把该模板的中心位置作为目标在当前帧中的位置，并用该位置对目标的初始位置进行更新，作为下一帧处理时的目标初始位置。1，Camshift原理CamShift利用目标的颜色直方图模型将图像转换为颜色概率分布图，初始化一个搜索窗的大小和位置，并根据上一帧得到的结果自适应调整搜索窗口的位置和大小，从而定位出当前图像中目标的中心位置。2，目标表示 （颜色概率分布图）(1) RGB颜色空间对光照亮度变化较为敏感，为了减少此变化对跟踪效果的影响，首先将图像从RGB空间转换到HSV空间。(2).然后对其中的H分量作直方图，在直方图中代表了不同H分量值出现的概率或者像素个数，就是说可以查找出H分量大小为h的概率或者像素个数，即得到了颜色概率查找表。根据获得的H分量直方图将原始图像转换成2D 肤色概率分布图像。设C( h) 表示直方图中H分量大小为h 的像素个数, max C( h) 表示C( h) 的最大值, 则H分量为w的像素是肤色的概率为p( w) = C( w) /max C( h) , h( 0,1) , H分量与肤色概率就建立起了一一对应的关系。将这个对应关系保存起来, 就得到肤色概率查找表。为了计算方便, 将肤色概率表中的概率值乘以255。在这里需要考虑H分量的取值范围的问题，H分量的取值范围是0,360),这个取值范围的值不能用一byte表示，为了能用一个byte表示，需要将H值做适当的量化处理,在这里我们将H分量的范围量化到0,255.(3).将图像中每个像素的值用其颜色出现的概率对替换，就得到了颜色概率分布图。这个过程就叫反向投影，颜色概率分布图是一个灰度图像。2, MeanShift算法MeanShift算法是一种密度函数梯度估计的非参数方法，通过迭代寻优找到概率分布的极值来定位目标。算法过程为：(1).在颜色概率分布图中选取搜索窗W(2).计算零阶距： 计算一阶距： 计算搜索窗的质心：(3).调整搜索窗大小宽度为；长度为1.2s；(4).移动搜索窗的中心到质心，如果移动距离大于预设的固定阈值，则重复2)3)4)，直到搜索窗的中心与质心间的移动距离小于预设的固定阈值，或者循环运算的次数达到某一最大值，停止计算。3, CamShift算法将meanshift算法扩展到连续图像序列，就是camshift算法。它将视频的所有帧做meanshift运算，并将上一帧的结果，即搜索窗的大小和中心，作为下一帧meanshift算法搜索窗的初始值。如此迭代下去，就可以实现对目标的跟踪。算法过程为：(1).初始化搜索窗(2).计算搜索窗的颜色概率分